Penapisan maya

Penapisan maya atau skrining virtual (Bahasa Inggris: virtual screening, disingkat VS) adalah teknik komputasi yang digunakan dalam penemuan obat untuk mencari pustaka molekul kecil guna mengidentifikasi struktur yang paling mungkin berikatan dengan target obat, biasanya reseptor protein atau enzim. Penapisan maya telah didefinisikan sebagai "mengevaluasi pustaka senyawa yang sangat besar secara otomatis" menggunakan program komputer. Seperti yang disarankan oleh definisi ini, VS sebagian besar merupakan permainan angka yang berfokus pada bagaimana ruang kimia yang sangat besar dari lebih dari 10⁶⁰ senyawa yang mungkin dapat disaring menjadi jumlah yang dapat dikelola yang dapat disintesis, dibeli, dan diuji. Meskipun pencarian seluruh ruang kimia mungkin merupakan masalah yang menarik secara teoritis, skenario VS yang lebih praktis berfokus pada perancangan dan pengoptimalan pustaka kombinatorial yang ditargetkan dan memperkaya pustaka senyawa yang tersedia dari repositori senyawa internal atau penawaran vendor. Seiring meningkatnya akurasi metode, penapisan maya telah menjadi bagian integral dari proses penemuan obat. Penapisan maya dapat digunakan untuk memilih senyawa pangkalan data internal untuk penapisan, memilih senyawa yang dapat dibeli secara eksternal, dan untuk memilih senyawa mana yang harus disintesis selanjutnya.

Metode

Terdapat dua kategori besar teknik penapisan: berbasis ligan dan berbasis struktur.

Metode berbasis ligan

Dengan adanya sekumpulan ligan yang beragam secara struktural yang mengikat reseptor, model reseptor dapat dibangun dengan memanfaatkan informasi kolektif yang terkandung dalam kumpulan ligan tersebut. Berbagai teknik komputasi mengeksplorasi kesamaan struktural, elektronik, bentuk molekuler, dan fisikokimia dari berbagai ligan yang dapat mengimplikasikan cara kerjanya terhadap reseptor molekuler atau lini sel tertentu. Ligan kandidat kemudian dapat dibandingkan dengan model farmakofor untuk menentukan apakah ligan tersebut kompatibel dengannya dan oleh karena itu kemungkinan akan mengikat. Berbagai metode analisis kesamaan kimia 2D telah digunakan untuk memindai pangkalan data untuk menemukan ligan aktif. Pendekatan populer lainnya yang digunakan dalam penapisan maya berbasis ligan terdiri dari pencarian molekul dengan bentuk yang mirip dengan senyawa aktif yang diketahui, karena molekul tersebut akan sesuai dengan situs pengikatan target dan karenanya kemungkinan besar akan mengikat target. Terdapat sejumlah aplikasi prospektif dari kelas teknik ini dalam literatur. Ekstensi farmakoforik dari metode 3D ini juga tersedia secara gratis sebagai server web. Penapisan maya berbasis bentuk juga telah mendapatkan popularitas yang signifikan.

Metode berbasis struktur

Pendekatan penapisan maya berbasis struktur mencakup berbagai teknik komputasi yang mempertimbangkan struktur reseptor yang merupakan target molekuler dari ligan aktif yang diteliti. Beberapa teknik ini termasuk penambatan molekuler, pemodelan farmakofor berbasis struktur, dan simulasi dinamika molekuler. Penambatan molekuler adalah teknik berbasis struktur yang paling banyak digunakan, dan menerapkan fungsi penilaian untuk memperkirakan kesesuaian setiap ligan terhadap situs pengikatan reseptor makromolekuler, membantu memilih ligan dengan afinitas tertinggi. Saat ini, terdapat beberapa server web yang berorientasi pada penapisan maya prospektif.

Metode hibrida

Metode hibrida yang bergantung pada kesamaan struktur dan ligan juga dikembangkan untuk mengatasi keterbatasan pendekatan VLS tradisional. Metodologi ini memanfaatkan informasi pengikatan ligan berbasis evolusi untuk memprediksi pengikat molekul kecil dan dapat menggunakan kesamaan struktur global dan kesamaan kantong. Pendekatan berbasis kesamaan struktur global menggunakan struktur eksperimental atau model protein yang diprediksi untuk menemukan kesamaan struktural dengan protein dalam pustaka templat holo PDB. Setelah mendeteksi kemiripan struktural yang signifikan, metrik koefisien Tanimoto berbasis sidik jari 2D diterapkan untuk menyaring molekul kecil yang mirip dengan ligan yang diekstrak dari templat holo PDB terpilih. Prediksi dari metode ini telah dinilai secara eksperimental dan menunjukkan pengayaan yang baik dalam mengidentifikasi molekul kecil aktif.

Metode yang disebutkan di atas bergantung pada kemiripan struktural global dan tidak mampu secara priori memilih situs pengikatan ligan tertentu dalam protein yang diminati. Lebih lanjut, karena metode tersebut bergantung pada penilaian kemiripan 2D untuk ligan, metode tersebut tidak mampu mengenali kemiripan stereokimia molekul kecil yang secara substansial berbeda tetapi menunjukkan kemiripan bentuk geometris. Untuk mengatasi masalah ini, pendekatan baru yang berpusat pada kantong (PoLi) yang mampu menargetkan kantong pengikatan spesifik dalam templat holo-protein, dikembangkan dan dinilai secara eksperimental.

Infrastruktur komputasi

Perhitungan interaksi berpasangan antar atom, yang merupakan prasyarat untuk pengoperasian banyak program penyaringan virtual, berskala $O (N^{2})$ , di mana N adalah jumlah atom dalam sistem. Karena penskalaan kuadratik, biaya komputasi meningkat dengan cepat.

Pendekatan berbasis ligan

Metode berbasis ligan biasanya hanya membutuhkan sebagian kecil detik untuk satu operasi perbandingan struktur. Terkadang satu CPU sudah cukup untuk melakukan penyaringan besar dalam beberapa jam. Namun, beberapa perbandingan dapat dilakukan secara paralel untuk mempercepat pemrosesan pangkalan data senyawa yang besar.

Pendekatan berbasis struktur

Ukuran tugas membutuhkan infrastruktur komputasi paralel, seperti klaster sistem Linux, yang menjalankan prosesor antrian batch untuk menangani pekerjaan, seperti Sun Grid Engine atau Torque PBS.

Diperlukan cara untuk menangani input dari pustaka senyawa yang besar. Hal ini membutuhkan semacam pangkalan data senyawa yang dapat diakses oleh klaster paralel, yang mengirimkan senyawa secara paralel ke berbagai node komputasi. Mesin pangkalan data komersial mungkin terlalu lambat, dan mesin pengindeksan berkecepatan tinggi, seperti Berkeley DB, mungkin merupakan pilihan yang lebih baik. Selain itu, menjalankan satu perbandingan per pekerjaan mungkin tidak efisien, karena waktu pemanasan node klaster dapat dengan mudah melebihi jumlah pekerjaan yang bermanfaat. Untuk mengatasi hal ini, perlu untuk memproses kumpulan senyawa dalam setiap pekerjaan klaster, menggabungkan hasilnya ke dalam semacam log berkas. Proses sekunder, untuk menambang log berkas dan mengekstrak kandidat dengan skor tinggi, kemudian dapat dijalankan setelah seluruh percobaan selesai dijalankan.

Akurasi

Tujuan dari penapisan maya adalah untuk mengidentifikasi molekul dengan struktur kimia baru yang mengikat target makromolekuler yang diminati. Dengan demikian, keberhasilan penapisan maya didefinisikan dalam hal menemukan kerangka kerja baru yang menarik daripada jumlah total keberhasilan. Oleh karena itu, interpretasi akurasi penapisan maya harus dipertimbangkan dengan hati-hati. Tingkat keberhasilan yang rendah untuk kerangka molekul yang menarik jelas lebih disukai daripada tingkat keberhasilan yang tinggi untuk kerangka molekul yang sudah dikenal.

Sebagian besar pengujian studi penapisan maya dalam literatur bersifat retrospektif. Dalam studi ini, kinerja teknik VS diukur berdasarkan kemampuannya untuk mengambil sejumlah kecil molekul yang sebelumnya dikenal dengan afinitas terhadap target yang diminati (molekul aktif atau hanya aktif) dari pustaka yang mengandung proporsi molekul tidak aktif atau umpan yang jauh lebih tinggi. Ada beberapa cara berbeda untuk memilih umpan dengan mencocokkan sifat-sifat molekul aktif yang sesuai dan baru-baru ini umpan juga dipilih dengan cara yang tidak sesuai sifatnya. Dampak sebenarnya dari pemilihan umpan, baik untuk tujuan pelatihan maupun pengujian, juga telah dibahas.

Sebaliknya, dalam aplikasi prospektif penapisan maya, hasil keberhasilan tersebut tunduk pada konfirmasi eksperimental (misalnya pengukuran IC₅₀). Terdapat konsensus bahwa tolok ukur retrospektif bukanlah prediktor yang baik untuk kinerja prospektif dan akibatnya hanya studi prospektif yang merupakan bukti konklusif tentang kesesuaian suatu teknik untuk target tertentu.

Penggunaan untuk penemuan obat

Penapisan maya merupakan penggunaan yang sangat berguna dalam mengidentifikasi molekul-molekul potensial sebagai awal dari kimia medisinal. Seiring dengan semakin pentingnya dan substansialnya pendekatan penapisan maya dalam industri kimia medisinal, pendekatan ini mengalami peningkatan yang pesat.

Metode berbasis ligan

Metode berbasis ligan diterapkan ketika struktur tiga dimensi reseptor target tidak diketahui. Alih-alih memodelkan interaksi ligan-reseptor secara langsung, pendekatan ini bergantung pada sifat struktural dan fisikokimia ligan aktif yang diketahui untuk memprediksi bagaimana senyawa baru dapat berikatan.

Model farmakofor

Farmakofor didefinisikan sebagai kumpulan fitur sterik dan elektronik yang diperlukan untuk memastikan interaksi supramolekuler optimal dengan target biologis dan untuk memicu (atau memblokir) respons biologisnya. Fitur-fitur ini biasanya mencakup donor dan akseptor ikatan hidrogen, daerah hidrofobik, cincin aromatik, gugus bermuatan, dan fungsi pengikat logam.

Pemodelan farmakofor umumnya diterapkan dalam rancangan obat berbasis ligan ketika struktur tiga dimensi protein target tidak diketahui atau ketika beberapa ligan aktif tersedia.

Alur kerja umum melibatkan beberapa langkah:

Pemilihan senyawa aktif: Seperangkat ligan aktif biologis yang representatif dan beragam secara struktural dipilih. Keragaman struktural penting untuk memastikan bahwa model yang dihasilkan menangkap fitur interaksi penting daripada karakteristik spesifik senyawa.
Pembuatan konformer: Karena ligan bersifat fleksibel, beberapa konformasi berenergi rendah (konformer) dihasilkan untuk setiap molekul. Langkah ini bertujuan untuk mendekati konformasi bioaktif, yang biasanya tidak diketahui dalam pendekatan berbasis ligan.
Penyelarasan dan superposisi molekuler: Konformer yang dihasilkan ditumpangkan untuk mengidentifikasi susunan spasial umum dari fitur kimia utama. Dengan menyelaraskan elemen farmakoforik bersama di seluruh ligan aktif, hipotesis farmakofor dibangun.

Tidak seperti pendekatan yang bergantung pada satu struktur referensi, pemodelan farmakofor mengintegrasikan informasi dari beberapa senyawa aktif. Ini umumnya meningkatkan kekokohan dan kinerja prediktif, terutama ketika berurusan dengan ligan yang beragam secara kimia.

Namun, karena banyak kemungkinan penyelarasan dan kombinasi fitur, pemodelan farmakofor biasanya tidak menghasilkan satu solusi unik. Oleh karena itu, hipotesis yang dihasilkan harus divalidasi menggunakan set uji eksternal atau data eksperimental.

Penapisan maya berbasis bentuk

Pendekatan kemiripan molekuler berbasis bentuk telah ditetapkan sebagai teknik penapisan maya yang penting dan populer. Saat ini, platform penyaringan yang sangat optimal ROCS (Rapid Overlay of Chemical Structures) dianggap sebagai standar industri de facto untuk penapisan maya berbasis bentuk dan berpusat pada ligan. Platform ini menggunakan fungsi Gaussian untuk mendefinisikan volume molekuler molekul organik kecil. Pemilihan konformasi kueri kurang penting, sehingga penyaringan berbasis bentuk ideal untuk pemodelan berbasis ligan: Karena ketersediaan konformasi bioaktif untuk kueri bukanlah faktor pembatas untuk penyaringan, yang lebih menentukan kinerja penyaringan adalah pemilihan senyawa kueri. Metode kesamaan molekul berbasis bentuk lainnya seperti Autodock-SS juga telah dikembangkan.

Penapisan maya berbasis medan

Metode penapisan maya berbasis medan memperluas pendekatan kesamaan berbasis bentuk dengan mempertimbangkan tidak hanya bentuk molekul tetapi juga medan interaksi fisikokimia yang mengatur pengenalan ligan-reseptor.

Alih-alih hanya berfokus pada tumpang tindih struktural, metode ini membandingkan potensi interaksi molekul, seperti:

Medan elektrostatik
Medan hidrofobik
Medan sterik
Potensi ikatan hidrogen

Dengan mengevaluasi sifat-sifat ini dalam ruang tiga dimensi, pendekatan berbasis medan bertujuan untuk menangkap pola interaksi mendasar yang bertanggung jawab atas aktivitas biologis, sementara sebagian besar tetap independen dari kerangka kimia spesifik molekul yang diteliti.

Dibandingkan dengan metode yang murni berbasis bentuk, penyaringan berbasis medan dapat memberikan deskripsi kesamaan molekul yang lebih bernuansa, terutama ketika senyawa yang berbeda secara struktural memiliki profil interaksi yang serupa.

Hubungan struktur-aktivitas kuantitatif

Model hubungan kuantitatif struktur–aktivitas (QSAR) adalah model prediktif yang menghubungkan deskriptor molekuler dengan aktivitas biologis menggunakan kumpulan data senyawa aktif dan tidak aktif yang diketahui. Berbeda dengan analisis hubungan kualitatif struktur–aktivitas (SAR), yang mengidentifikasi tren dalam kelas struktural, QSAR memberikan hubungan matematis kuantitatif antara sifat molekuler dan respons biologis yang terukur.

Metode QSAR tradisional

Pendekatan QSAR tradisional biasanya bergantung pada deskriptor molekuler yang telah ditentukan sebelumnya; seperti sifat fisikokimia, indeks topologi, atau parameter elektronik; dan menerapkan teknik pemodelan statistik termasuk:

Kuadrat terkecil biasa (OLS)
Regresi linier berganda (MLR)
Kuadrat terkecil parsial (PLS)

Metode-metode ini mengasumsikan hubungan linier antara deskriptor dan aktivitas biologis. Model QSAR banyak digunakan untuk memprioritaskan senyawa dalam penemuan dan optimasi kandidat obat.

Pembelajaran mesin dalam QSAR

Pendekatan pembelajaran mesin (ML) dapat dilihat sebagai perluasan metodologi QSAR. Seperti model QSAR klasik, metode berbasis ML menggunakan deskriptor molekuler atau representasi struktural (seperti sidik jari molekuler, grafik) sebagai fitur masukan. Namun, mereka menggunakan algoritma yang lebih fleksibel yang mampu memodelkan hubungan nonlinier dan kompleks antara struktur molekuler dan aktivitas biologis.

Dalam pembelajaran terbimbing, model dilatih pada kumpulan data yang terdiri dari senyawa aktif dan tidak aktif yang diketahui (atau senyawa dengan nilai aktivitas terukur). Model yang terlatih kemudian digunakan untuk memprediksi aktivitas atau probabilitas aktivitas untuk senyawa baru.

Algoritma pembelajaran mesin umum yang diterapkan dalam penyaringan virtual meliputi:

Model-model ini biasanya menghasilkan:

Nilai aktivitas yang diprediksi (regresi), atau
Probabilitas bahwa suatu senyawa aktif (klasifikasi), yang kemudian dapat digunakan untuk pemeringkatan dalam penyaringan virtual.

Metode berbasis struktur

Metode berbasis struktur bergantung pada struktur tiga dimensi target biologis, yang biasanya diperoleh dari kristalografi sinar-X, spektroskopi NMR, atau mikroskopi krio-elektron. Tidak seperti pendekatan berbasis ligan, metode ini secara eksplisit memodelkan interaksi antara ligan dan situs pengikatan reseptor.

Model farmakofor

Dalam pemodelan farmakofor berbasis struktur, fitur farmakoforik diturunkan langsung dari struktur tiga dimensi situs pengikatan target, bukan dari sekumpulan ligan aktif yang diketahui.

Fitur interaksi utama; seperti donor dan akseptor ikatan hidrogen, daerah hidrofobik, residu bermuatan, dan situs pengikatan logam; diidentifikasi berdasarkan susunan spasial residu asam amino di dalam kantung pengikatan. Jika struktur kompleks protein-ligan tersedia, fitur farmakoforik juga dapat diekstrak dari interaksi ligan-reseptor yang diamati.

Model farmakofor yang dihasilkan mewakili pola interaksi penting yang diperlukan untuk pengikatan dan dapat digunakan untuk menyaring pustaka senyawa.

Penambatan molekuler

Penambatan molekuler bertujuan untuk memprediksi mode pengikatan (pose), dan dalam beberapa kasus afinitas pengikatan ligan di dalam situs aktif protein target.

Penambatan melibatkan dua komponen utama:

Algoritma pencarian: mengeksplorasi kemungkinan orientasi dan konformasi ligan di dalam kantung pengikatan.
Fungsi penilaian: memperkirakan kekuatan interaksi ligan-reseptor dan memberi peringkat pose yang diprediksi sesuai dengan itu.

Tujuannya adalah untuk mengidentifikasi pose pengikatan yang paling mungkin untuk ligan tertentu dan untuk memprioritaskan senyawa berdasarkan afinitas pengikatan yang diprediksi.

Metode co-folding

Metode co-folding memprediksi struktur kompleks protein-ligan dengan memodelkan reseptor dan ligan secara bersamaan, memungkinkan adaptasi konformasi selama pengikatan. Berbeda dengan penambatan klasik, yang biasanya memperlakukan reseptor sebagai kaku atau semi-fleksibel, pendekatan co-folding bertujuan untuk menangkap efek induced-fit secara lebih eksplisit.

Kerangka kerja berbasis deep learning terbaru seperti Boltz-2 mencontohkan strategi ini dengan memprediksi struktur kompleks terikat langsung dari informasi urutan dan ligan. Meskipun pendekatan tersebut secara komputasi lebih menuntut daripada penambatan tradisional, pendekatan ini menjanjikan untuk menyempurnakan posisi pengikatan, meningkatkan akurasi struktural, dan meningkatkan alur kerja penapisan maya berbasis struktur, khususnya untuk target yang fleksibel atau menantang.

Lihat juga

Referensi

Bacaan lanjutan

Pranala luar

VLS3D – list of over 2000 databases, online and standalone in silico tools

Sumber dan atribusi

Konten artikel ini diadaptasi dari Wikipedia bahasa Indonesia, revisi 29575161 (2026-08-14T05:39:27Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Mohon gunakan konten ini secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.